Revision: 4849 Author: wikipedian Date: 2008-01-10 20:31:46 +0000 (Thu, 10 Jan 2008)
Log Message: ----------- enhancements of grammar-de converted tabs to spaces
Modified Paths: -------------- trunk/pywikipedia/fixes.py
Modified: trunk/pywikipedia/fixes.py =================================================================== --- trunk/pywikipedia/fixes.py 2008-01-10 15:19:08 UTC (rev 4848) +++ trunk/pywikipedia/fixes.py 2008-01-10 20:31:46 UTC (rev 4849) @@ -16,231 +16,233 @@ """
fixes = { - # These replacements will convert HTML to wiki syntax where possible, and - # make remaining tags XHTML compliant. - 'HTML': { - 'regex': True, - 'msg': { - 'en':u'Robot: converting/fixing HTML', - 'de':u'Bot: konvertiere/korrigiere HTML', - 'fr':u'Robot: convertit/fixe HTML', - 'he':u'בוט: ממיר/מתקן HTML', - 'ia':u'Robot: conversion/reparation de HTML', - 'lt':u'robotas: konvertuojamas/taisomas HTML', - 'nl':u'Bot: conversie/reparatie HTML', - 'pl':u'Robot konwertuje/naprawia HTML', - 'pt':u'Bot: Corrigindo HTML', - 'sr':u'Бот: Поправка HTML-а' - }, - 'replacements': [ - # Everything case-insensitive (?i) - # Keep in mind that MediaWiki automatically converts <br> to <br /> - # when rendering pages, so you might comment the next two lines out - # to save some time/edits. - #r'(?i)<br>': r'<br />', - # linebreak with attributes - #r'(?i)<br ([^>/]+?)>': r'<br \1 />', - (r'(?i)<b>(.*?)</b>', r"'''\1'''"), - (r'(?i)<strong>(.*?)</strong>', r"'''\1'''"), - (r'(?i)<i>(.*?)</i>', r"''\1''"), - (r'(?i)<em>(.*?)</em>', r"''\1''"), - # horizontal line without attributes in a single line - (r'(?i)([\r\n])<hr[ /]*>([\r\n])', r'\1----\2'), - # horizontal line without attributes with more text in the same line - #(r'(?i) +<hr[ /]*> +', r'\r\n----\r\n'), - # horizontal line with attributes; can't be done with wiki syntax - # so we only make it XHTML compliant - (r'(?i)<hr ([^>/]+?)>', r'<hr \1 />'), - # a header where only spaces are in the same line - (r'(?i)([\r\n]) *<h1> *([^<]+?) *</h1> *([\r\n])', r"\1= \2 =\3"), - (r'(?i)([\r\n]) *<h2> *([^<]+?) *</h2> *([\r\n])', r"\1== \2 ==\3"), - (r'(?i)([\r\n]) *<h3> *([^<]+?) *</h3> *([\r\n])', r"\1=== \2 ===\3"), - (r'(?i)([\r\n]) *<h4> *([^<]+?) *</h4> *([\r\n])', r"\1==== \2 ====\3"), - (r'(?i)([\r\n]) *<h5> *([^<]+?) *</h5> *([\r\n])', r"\1===== \2 =====\3"), - (r'(?i)([\r\n]) *<h6> *([^<]+?) *</h6> *([\r\n])', r"\1====== \2 ======\3"), - # TODO: maybe we can make the bot replace <p> tags with \r\n's. - ], - 'exceptions': { - 'inside-tags': [ - 'nowiki', - 'comment', - 'math', - 'pre' - ], - } - }, + # These replacements will convert HTML to wiki syntax where possible, and + # make remaining tags XHTML compliant. + 'HTML': { + 'regex': True, + 'msg': { + 'en':u'Robot: converting/fixing HTML', + 'de':u'Bot: konvertiere/korrigiere HTML', + 'fr':u'Robot: convertit/fixe HTML', + 'he':u'בוט: ממיר/מתקן HTML', + 'ia':u'Robot: conversion/reparation de HTML', + 'lt':u'robotas: konvertuojamas/taisomas HTML', + 'nl':u'Bot: conversie/reparatie HTML', + 'pl':u'Robot konwertuje/naprawia HTML', + 'pt':u'Bot: Corrigindo HTML', + 'sr':u'Бот: Поправка HTML-а' + }, + 'replacements': [ + # Everything case-insensitive (?i) + # Keep in mind that MediaWiki automatically converts <br> to <br /> + # when rendering pages, so you might comment the next two lines out + # to save some time/edits. + #r'(?i)<br>': r'<br />', + # linebreak with attributes + #r'(?i)<br ([^>/]+?)>': r'<br \1 />', + (r'(?i)<b>(.*?)</b>', r"'''\1'''"), + (r'(?i)<strong>(.*?)</strong>', r"'''\1'''"), + (r'(?i)<i>(.*?)</i>', r"''\1''"), + (r'(?i)<em>(.*?)</em>', r"''\1''"), + # horizontal line without attributes in a single line + (r'(?i)([\r\n])<hr[ /]*>([\r\n])', r'\1----\2'), + # horizontal line without attributes with more text in the same line + #(r'(?i) +<hr[ /]*> +', r'\r\n----\r\n'), + # horizontal line with attributes; can't be done with wiki syntax + # so we only make it XHTML compliant + (r'(?i)<hr ([^>/]+?)>', r'<hr \1 />'), + # a header where only spaces are in the same line + (r'(?i)([\r\n]) *<h1> *([^<]+?) *</h1> *([\r\n])', r"\1= \2 =\3"), + (r'(?i)([\r\n]) *<h2> *([^<]+?) *</h2> *([\r\n])', r"\1== \2 ==\3"), + (r'(?i)([\r\n]) *<h3> *([^<]+?) *</h3> *([\r\n])', r"\1=== \2 ===\3"), + (r'(?i)([\r\n]) *<h4> *([^<]+?) *</h4> *([\r\n])', r"\1==== \2 ====\3"), + (r'(?i)([\r\n]) *<h5> *([^<]+?) *</h5> *([\r\n])', r"\1===== \2 =====\3"), + (r'(?i)([\r\n]) *<h6> *([^<]+?) *</h6> *([\r\n])', r"\1====== \2 ======\3"), + # TODO: maybe we can make the bot replace <p> tags with \r\n's. + ], + 'exceptions': { + 'inside-tags': [ + 'nowiki', + 'comment', + 'math', + 'pre' + ], + } + },
- # Grammar fixes for German language - 'grammar-de': { - 'regex': True, - 'msg': { - 'de':u'Bot: korrigiere Grammatik', - }, - 'replacements': [ - #(u'([Ss]owohl) ([^,.]+?), als auch', r'\1 \2 als auch'), - #(u'([Ww]eder) ([^,.]+?), noch', r'\1 \2 noch'), - # - # Vorsicht bei Substantiven, z. B. 3-Jähriger! - (u'(\d+)(minütig|stündig|tägig|wöchig|jährig|minütlich|stündlich|täglich|wöchentlich|jährlich|fach|mal|malig|köpfig|teilig|gliedrig|geteilt|elementig|dimensional|bändig|eckig|farbig|stimmig)', r'\1-\2'), - # zusammengesetztes Wort, Bindestrich wird durchgeschleift - (u'(?<!\w)(\d+|\d+[.,]\d+)($|€|DM|£|¥|mg|g|kg|ml|cl|l|t|ms|min|µm|mm|cm|dm|m|km|°C|kB|MB|TB|W|kW|MW|PS|Nm|eV|J|kcal|mA|mV|kV|Ω|Hz|kHz|MHz|GHz|mol|Pa|Bq|Sv|mSv)([²³]?-[\w[])', r'\1-\2\3'), - # Größenangabe ohne Leerzeichen vor Einheit - # weggelassen wegen vieler falsch Positiver: s, A, V, C, S, % - (u'(?<!\w)(\d+|\d+[.,]\d+)($|€|DM|£|¥|mg|g|kg|ml|cl|l|t|ms|min|µm|mm|cm|dm|m|km|°C|kB|MB|GB|TB|W|kW|MW|GW|PS|Nm|eV|J|kcal|mA|mV|kV|Ω|Hz|kHz|MHz|GHz|mol|Pa|Bq|Sv|mSv)(?=\W|²|³|$)', r'\1 \2'), - # Kein Leerzeichen zwischen Tag und Monat - (u'(\d+).(Januar|Februar|März|April|Mai|Juni|Juli|August|September|Oktober|November|Dezember)', r'\1. \2'), - # Keine führende Null beim Datum - #(u'0(\d+). (Januar|Februar|März|April|Mai|Juni|Juli|August|September|Oktober|November|Dezember)', r'\1. \2'), - # Kein Leerzeichen nach Komma - (u'([a-zäöüß](]])?,)(([[)?[a-zäöüA-ZÄÖÜ])', r'\1 \3'), + # Grammar fixes for German language + 'grammar-de': { + 'regex': True, + 'msg': { + 'de':u'Bot: korrigiere Grammatik', + }, + 'replacements': [ + #(u'([Ss]owohl) ([^,.]+?), als auch', r'\1 \2 als auch'), + #(u'([Ww]eder) ([^,.]+?), noch', r'\1 \2 noch'), + # + # Vorsicht bei Substantiven, z. B. 3-Jähriger! + (u'(\d+)(minütig|stündig|tägig|wöchig|jährig|minütlich|stündlich|täglich|wöchentlich|jährlich|fach|mal|malig|köpfig|teilig|gliedrig|geteilt|elementig|dimensional|bändig|eckig|farbig|stimmig)', r'\1-\2'), + # zusammengesetztes Wort, Bindestrich wird durchgeschleift + (u'(?<!\w)(\d+|\d+[.,]\d+)($|€|DM|£|¥|mg|g|kg|ml|cl|l|t|ms|min|µm|mm|cm|dm|m|km|°C|kB|MB|GB|TB|W|kW|MW|GW|PS|Nm|eV|J|kcal|mA|mV|kV|Ω|Hz|kHz|MHz|GHz|mol|Pa|Bq|Sv|mSv)([²³]?-[\w[])', r'\1-\2\3'), + # Größenangabe ohne Leerzeichen vor Einheit + # weggelassen wegen vieler falsch Positiver: s, A, V, C, S, % + (u'(?<!\w)(\d+|\d+[.,]\d+)($|€|DM|£|¥|mg|g|kg|ml|cl|l|t|ms|min|µm|mm|cm|dm|m|km|°C|kB|MB|GB|TB|W|kW|MW|GW|PS|Nm|eV|J|kcal|mA|mV|kV|Ω|Hz|kHz|MHz|GHz|mol|Pa|Bq|Sv|mSv)(?=\W|²|³|$)', r'\1 \2'), + # Kein Leerzeichen zwischen Tag und Monat + (u'(\d+).(Januar|Februar|März|April|Mai|Juni|Juli|August|September|Oktober|November|Dezember)', r'\1. \2'), + # Keine führende Null beim Datum + #(u'0(\d+). (Januar|Februar|März|April|Mai|Juni|Juli|August|September|Oktober|November|Dezember)', r'\1. \2'), + # Kein Leerzeichen nach Komma + (u'([a-zäöüß](]])?,)(([[)?[a-zäöüA-ZÄÖÜ])', r'\1 \3'), # Leerzeichen und Komma vertauscht (u'([a-zäöüß](]])?) ,(([[)?[a-zäöüA-ZÄÖÜ])', r'\1, \3'), # Plenks (d. h. Leerzeichen auch vor dem Komma/Punkt/Semikolon/Doppelpunkt/Ausrufezeichen/Fragezeichen) # Achtung bei Französisch: http://de.wikipedia.org/wiki/Plenk#Sonderfall_Franz.C3.B6sisch (u'([a-zäöüß](]])?) ([,.;:!?]) (([[)?[a-zäöüA-ZÄÖÜ])', r'\1\3 \4'), - #(u'([a-z].)([A-Z])', r'\1 \2'), - ], - 'exceptions': { - 'inside-tags': [ - 'nowiki', - 'comment', - 'math', + #(u'([a-z].)([A-Z])', r'\1 \2'), + ], + 'exceptions': { + 'inside-tags': [ + 'nowiki', + 'comment', + 'math', 'pre', # because of code examples 'source', # because of code examples - 'startspace', # because of code examples - 'hyperlink', # e.g. commas in URLs - 'gallery', # because of filenames - ], - 'text-contains': [ - r'sic!', + 'startspace', # because of code examples + 'hyperlink', # e.g. commas in URLs + 'gallery', # because of filenames + 'timeline', + ], + 'text-contains': [ + r'sic!', r'20min.ch', # Schweizer News-Seite - ], - 'inside': [ + ], + 'inside': [ r'<code>.*</code>', # because of code examples r'{{[Zz]itat|.*?}}', r'{{§|.*?}}', r'§ \d+[a-z]', # Gesetzesparagraph, klappt nicht? r'Ju 52/1m', # Flugzeugbezeichnung r'Ju 52/3m', # Flugzeugbezeichnung - r'AH-1W', # Hubschrauberbezeichnung + r'AH-1W', # Hubschrauberbezeichnung r'ZPG-3W', # Luftschiffbezeichnung r'8mm', # Filmtitel r'802.11g', # WLAN-Standard r'DOS/4GW', # Software r'ntfs-3g', # Dateisystem-Treiber + r'/\w(,\w)*/', # Laut-Aufzählung in der Linguistik r'(?m)^;(.*?)$', # Definitionslisten, dort gibt es oft absichtlich Leerzeichen vor Doppelpunkten - r'\d+h( | )\d+m', # Schreibweise für Zeiten, vor allem in Film-Infoboxen. Nicht korrekt, aber dafür schön kurz. - r'(?i)[[(Bild|Image|Media):.+?|', # Dateinamen auslassen + r'\d+h( | )\d+m', # Schreibweise für Zeiten, vor allem in Film-Infoboxen. Nicht korrekt, aber dafür schön kurz. + r'(?i)[[(Bild|Image|Media):.+?|', # Dateinamen auslassen r'<sup>\d+m</sup>', # bei chemischen Formeln r'([A-Z][A-Za-z]*(,[A-Z][A-Za-z]*(<sup>.*?</sup>|<sub>.*?</sub>|))+)' # chemische Formel, z. B. AuPb(Pb,Sb,Bi)Te. Hier sollen keine Leerzeichen hinter die Kommata. - ], - 'title': [ - r'Arsen', # chemische Formel - ], - } - }, + ], + 'title': [ + r'Arsen', # chemische Formel + ], + } + },
- # Do NOT run this automatically! - # Recommendation: First run syntax-safe automatically, afterwards - # run syntax manually, carefully checking that you're not breaking - # anything. - 'syntax': { - 'regex': True, - 'msg': { - 'de':u'Bot: Korrigiere Wiki-Syntax', - 'en':u'Bot: Fixing wiki syntax', - 'fr':u'Bot: Corrige wiki-syntaxe', - 'he':u'בוט: מתקן תחביר ויקי', - 'ia':u'Robot: Reparation de syntaxe wiki', - 'lt':u'robotas: Taisoma wiki sintaksė', - 'nl':u'Bot: reparatie wikisyntaxis', - 'pl':u'Robot poprawia wiki-składnię', - 'pt':u'Bot: Corrigindo sintaxe wiki', - 'sr':u'Бот: Поправка вики синтаксе', - }, - 'replacements': [ - # external link in double brackets - (r'[[(?P<url>https?://[^]]+?)]]', r'[\g<url>]'), - # external link starting with double bracket - (r'[[(?P<url>https?://.+?)]', r'[\g<url>]'), - # external link with forgotten closing bracket - #(r'[(?P<url>https?://[^]\s]+)\r\n', r'[\g<url>]\r\n'), - # external link ending with double bracket. - # do not change weblinks that contain wiki links inside - # inside the description - (r'[(?P<url>https?://[^[]]+?)]](?!])', r'[\g<url>]'), - # external link and description separated by a dash. - # ATTENTION: while this is a mistake in most cases, there are some - # valid URLs that contain dashes! - (r'[(?P<url>https?://[^|]\s]+?) *| *(?P<label>[^|]]+?)]', r'[\g<url> \g<label>]'), - # wiki link closed by single bracket. - # ATTENTION: There are some false positives, for example - # Brainfuck code examples or MS-DOS parameter instructions. - # There are also sometimes better ways to fix it than - # just putting an additional ] after the link. - (r'[[([^[]]+?)](?!])', r'[[\1]]'), - # wiki link opened by single bracket. - # ATTENTION: same as above. - (r'(?<![)[([^[]]+?)]](?!])', r'[[\1]]'), - # template closed by single bracket - # ATTENTION: There are some false positives, especially in - # mathematical context or program code. - (r'{{([^{}]+?)}(?!})', r'{{\1}}'), - ], - 'exceptions': { - 'inside-tags': [ - 'nowiki', - 'comment', - 'math', - 'pre', + # Do NOT run this automatically! + # Recommendation: First run syntax-safe automatically, afterwards + # run syntax manually, carefully checking that you're not breaking + # anything. + 'syntax': { + 'regex': True, + 'msg': { + 'de':u'Bot: Korrigiere Wiki-Syntax', + 'en':u'Bot: Fixing wiki syntax', + 'fr':u'Bot: Corrige wiki-syntaxe', + 'he':u'בוט: מתקן תחביר ויקי', + 'ia':u'Robot: Reparation de syntaxe wiki', + 'lt':u'robotas: Taisoma wiki sintaksė', + 'nl':u'Bot: reparatie wikisyntaxis', + 'pl':u'Robot poprawia wiki-składnię', + 'pt':u'Bot: Corrigindo sintaxe wiki', + 'sr':u'Бот: Поправка вики синтаксе', + }, + 'replacements': [ + # external link in double brackets + (r'[[(?P<url>https?://[^]]+?)]]', r'[\g<url>]'), + # external link starting with double bracket + (r'[[(?P<url>https?://.+?)]', r'[\g<url>]'), + # external link with forgotten closing bracket + #(r'[(?P<url>https?://[^]\s]+)\r\n', r'[\g<url>]\r\n'), + # external link ending with double bracket. + # do not change weblinks that contain wiki links inside + # inside the description + (r'[(?P<url>https?://[^[]]+?)]](?!])', r'[\g<url>]'), + # external link and description separated by a dash. + # ATTENTION: while this is a mistake in most cases, there are some + # valid URLs that contain dashes! + (r'[(?P<url>https?://[^|]\s]+?) *| *(?P<label>[^|]]+?)]', r'[\g<url> \g<label>]'), + # wiki link closed by single bracket. + # ATTENTION: There are some false positives, for example + # Brainfuck code examples or MS-DOS parameter instructions. + # There are also sometimes better ways to fix it than + # just putting an additional ] after the link. + (r'[[([^[]]+?)](?!])', r'[[\1]]'), + # wiki link opened by single bracket. + # ATTENTION: same as above. + (r'(?<![)[([^[]]+?)]](?!])', r'[[\1]]'), + # template closed by single bracket + # ATTENTION: There are some false positives, especially in + # mathematical context or program code. + (r'{{([^{}]+?)}(?!})', r'{{\1}}'), + ], + 'exceptions': { + 'inside-tags': [ + 'nowiki', + 'comment', + 'math', + 'pre', 'source', # because of code examples 'startspace', # because of code examples - ], - 'text-contains': [ - r'http://.*?object=tx%5C%7C', # regular dash in URL - r'http://.*?allmusic%5C.com', # regular dash in URL - r'http://.*?allmovie%5C.com', # regular dash in URL - r'http://physics.nist.gov/', # regular dash in URL - r'http://www.forum-seniorenarbeit.de/', # regular dash in URL - r'http://kuenstlerdatenbank.ifa.de/', # regular dash in URL - r'&object=med', # regular dash in URL - r'[CDATA[' # lots of brackets - ], - } - }, + ], + 'text-contains': [ + r'http://.*?object=tx%5C%7C', # regular dash in URL + r'http://.*?allmusic%5C.com', # regular dash in URL + r'http://.*?allmovie%5C.com', # regular dash in URL + r'http://physics.nist.gov/', # regular dash in URL + r'http://www.forum-seniorenarbeit.de/', # regular dash in URL + r'http://kuenstlerdatenbank.ifa.de/', # regular dash in URL + r'&object=med', # regular dash in URL + r'[CDATA[' # lots of brackets + ], + } + },
- # The same as syntax, but restricted to replacements that should - # be safe to run automatically. - 'syntax-safe': { - 'regex': True, - 'msg': { - 'de':u'Bot: Korrigiere Wiki-Syntax', - 'en':u'Bot: Fixing wiki syntax', - 'fr':u'Bot: Corrige wiki-syntaxe', - 'he':u'בוט: מתקן תחביר ויקי', - 'ia':u'Robot: Reparation de syntaxe wiki', - 'lt':u'robotas: Taisoma wiki sintaksė', - 'nl':u'Bot: reparatie wikisyntaxis', - 'pl':u'Robot poprawia wiki-składnię', - 'pt':u'Bot: Corrigindo sintaxe wiki', - 'sr':u'Бот: Поправка вики синтаксе', - }, - 'replacements': [ - # external link in double brackets - (r'[[(?P<url>https?://[^]]+?)]]', r'[\g<url>]'), - # external link starting with double bracket - (r'[[(?P<url>https?://.+?)]', r'[\g<url>]'), - # external link with forgotten closing bracket - #(r'[(?P<url>https?://[^]\s]+)\r\n', r'[\g<url>]\r\n'), - # external link and description separated by a dash, with - # whitespace in front of the dash, so that it is clear that - # the dash is not a legitimate part of the URL. - (r'[(?P<url>https?://[^|] \r\n]+?) +| *(?P<label>[^|]]+?)]', r'[\g<url> \g<label>]'), - # dash in external link, where the correct end of the URL can - # be detected from the file extension. It is very unlikely that - # this will cause mistakes. - (r'[(?P<url>https?://[^|] ]+?(.pdf|.html|.htm|.php|.asp|.aspx|.jsp)) *| *(?P<label>[^|]]+?)]', r'[\g<url> \g<label>]'), - ], + # The same as syntax, but restricted to replacements that should + # be safe to run automatically. + 'syntax-safe': { + 'regex': True, + 'msg': { + 'de':u'Bot: Korrigiere Wiki-Syntax', + 'en':u'Bot: Fixing wiki syntax', + 'fr':u'Bot: Corrige wiki-syntaxe', + 'he':u'בוט: מתקן תחביר ויקי', + 'ia':u'Robot: Reparation de syntaxe wiki', + 'lt':u'robotas: Taisoma wiki sintaksė', + 'nl':u'Bot: reparatie wikisyntaxis', + 'pl':u'Robot poprawia wiki-składnię', + 'pt':u'Bot: Corrigindo sintaxe wiki', + 'sr':u'Бот: Поправка вики синтаксе', + }, + 'replacements': [ + # external link in double brackets + (r'[[(?P<url>https?://[^]]+?)]]', r'[\g<url>]'), + # external link starting with double bracket + (r'[[(?P<url>https?://.+?)]', r'[\g<url>]'), + # external link with forgotten closing bracket + #(r'[(?P<url>https?://[^]\s]+)\r\n', r'[\g<url>]\r\n'), + # external link and description separated by a dash, with + # whitespace in front of the dash, so that it is clear that + # the dash is not a legitimate part of the URL. + (r'[(?P<url>https?://[^|] \r\n]+?) +| *(?P<label>[^|]]+?)]', r'[\g<url> \g<label>]'), + # dash in external link, where the correct end of the URL can + # be detected from the file extension. It is very unlikely that + # this will cause mistakes. + (r'[(?P<url>https?://[^|] ]+?(.pdf|.html|.htm|.php|.asp|.aspx|.jsp)) *| *(?P<label>[^|]]+?)]', r'[\g<url> \g<label>]'), + ], 'exceptions': { 'inside-tags': [ 'nowiki', @@ -251,232 +253,232 @@ 'startspace', # because of code examples ], } - }, + },
- 'case-de': { # German upper / lower case issues - 'regex': True, - 'msg': { - 'de':u'Bot: Korrigiere Groß-/Kleinschreibung', - }, - 'replacements': [ - (r'\batlantische(r|n|) Ozean', r'Atlantische\1 Ozean'), - (r'\bdeutsche(r|n|) Bundestag\b', r'Deutsche\1 Bundestag'), - (r'\bdeutschen Bundestags\b', r'Deutschen Bundestags'), # Aufpassen, z. B. 'deutsche Bundestagswahl' - (r'\bdeutsche(r|n|) Reich\b', r'Deutsche\1 Reich'), - (r'\bdeutschen Reichs\b', r'Deutschen Reichs'), # Aufpassen, z. B. 'deutsche Reichsgrenzen' - (r'\bdritte(n|) Welt(?!krieg)', r'Dritte\1 Welt'), - (r'\bdreißigjährige(r|n|) Krieg', r'Dreißigjährige\1 Krieg'), - (r'\beuropäische(n|) Gemeinschaft', r'Europäische\1 Gemeinschaft'), - (r'\beuropäische(n|) Kommission', r'Europäische\1 Kommission'), - (r'\beuropäische(n|) Parlament', r'Europäische\1 Parlament'), - (r'\beuropäische(n|) Union', r'Europäische\1 Union'), - (r'\berste(r|n|) Weltkrieg', r'Erste\1 Weltkrieg'), - (r'\bkalter(r|n|) Krieg', r'Kalte\1 Krieg'), - (r'\bpazifische(r|n|) Ozean', r'Pazifische\1 Ozean'), - (r'Tag der deutschen Einheit', r'Tag der Deutschen Einheit'), - (r'\bzweite(r|n|) Weltkrieg', r'Zweite\1 Weltkrieg'), - ], - 'exceptions': { - 'inside-tags': [ - 'nowiki', - 'comment', - 'math', - 'pre', - ], - 'text-contains': [ - r'sic!', - ], - } - }, + 'case-de': { # German upper / lower case issues + 'regex': True, + 'msg': { + 'de':u'Bot: Korrigiere Groß-/Kleinschreibung', + }, + 'replacements': [ + (r'\batlantische(r|n|) Ozean', r'Atlantische\1 Ozean'), + (r'\bdeutsche(r|n|) Bundestag\b', r'Deutsche\1 Bundestag'), + (r'\bdeutschen Bundestags\b', r'Deutschen Bundestags'), # Aufpassen, z. B. 'deutsche Bundestagswahl' + (r'\bdeutsche(r|n|) Reich\b', r'Deutsche\1 Reich'), + (r'\bdeutschen Reichs\b', r'Deutschen Reichs'), # Aufpassen, z. B. 'deutsche Reichsgrenzen' + (r'\bdritte(n|) Welt(?!krieg)', r'Dritte\1 Welt'), + (r'\bdreißigjährige(r|n|) Krieg', r'Dreißigjährige\1 Krieg'), + (r'\beuropäische(n|) Gemeinschaft', r'Europäische\1 Gemeinschaft'), + (r'\beuropäische(n|) Kommission', r'Europäische\1 Kommission'), + (r'\beuropäische(n|) Parlament', r'Europäische\1 Parlament'), + (r'\beuropäische(n|) Union', r'Europäische\1 Union'), + (r'\berste(r|n|) Weltkrieg', r'Erste\1 Weltkrieg'), + (r'\bkalter(r|n|) Krieg', r'Kalte\1 Krieg'), + (r'\bpazifische(r|n|) Ozean', r'Pazifische\1 Ozean'), + (r'Tag der deutschen Einheit', r'Tag der Deutschen Einheit'), + (r'\bzweite(r|n|) Weltkrieg', r'Zweite\1 Weltkrieg'), + ], + 'exceptions': { + 'inside-tags': [ + 'nowiki', + 'comment', + 'math', + 'pre', + ], + 'text-contains': [ + r'sic!', + ], + } + },
- 'vonbis': { - 'regex': True, - 'msg': { - 'de':u'Bot: Ersetze Binde-/Gedankenstrich durch "bis"', - }, - 'replacements': [ - # Bindestrich, Gedankenstrich, Geviertstrich - (u'(von \d{3,4}) *(-|–|–|—|—) *(\d{3,4})', r'\1 bis \3'), - ], - }, + 'vonbis': { + 'regex': True, + 'msg': { + 'de':u'Bot: Ersetze Binde-/Gedankenstrich durch "bis"', + }, + 'replacements': [ + # Bindestrich, Gedankenstrich, Geviertstrich + (u'(von \d{3,4}) *(-|–|–|—|—) *(\d{3,4})', r'\1 bis \3'), + ], + },
- # some disambiguation stuff for de: - # python replace.py -fix:music -subcat:Album - 'music': { - 'regex': False, - 'msg': { - 'de':u'Bot: korrigiere Links auf Begriffsklärungen', - }, - 'replacements': [ - (u'[[CD]]', u'[[Audio-CD|CD]]'), - (u'[[LP]]', u'[[Langspielplatte|LP]]'), - (u'[[EP]]', u'[[Extended Play|EP]]'), - (u'[[MC]]', u'[[Musikkassette|MC]]'), - (u'[[Single]]', u'[[Single (Musik)|Single]]'), - ], - 'exceptions': { - 'inside-tags': [ - 'hyperlink', - ] - } - }, + # some disambiguation stuff for de: + # python replace.py -fix:music -subcat:Album + 'music': { + 'regex': False, + 'msg': { + 'de':u'Bot: korrigiere Links auf Begriffsklärungen', + }, + 'replacements': [ + (u'[[CD]]', u'[[Audio-CD|CD]]'), + (u'[[LP]]', u'[[Langspielplatte|LP]]'), + (u'[[EP]]', u'[[Extended Play|EP]]'), + (u'[[MC]]', u'[[Musikkassette|MC]]'), + (u'[[Single]]', u'[[Single (Musik)|Single]]'), + ], + 'exceptions': { + 'inside-tags': [ + 'hyperlink', + ] + } + },
- # format of dates of birth and death, for de: - # python replace.py -fix:datum -ref:Vorlage:Personendaten - 'datum': { - 'regex': True, - 'msg': { - 'de': u'Bot: Korrigiere Datumsformat', - }, - 'replacements': [ - # space after birth sign w/ year - #(u'(*(\d{3,4})', u'(* \1'), - ## space after death sign w/ year - #(u'†(\d{3,4})', u'† \1'), - #(u'†(\d{3,4})', u'† \1'), - ## space after birth sign w/ linked date - #(u'(*[[(\d)', u'(* [[\1'), - ## space after death sign w/ linked date - #(u'†[[(\d)', u'† [[\1'), - #(u'†[[(\d)', u'† [[\1'), - (u'[[(\d+. (?:Januar|Februar|März|April|Mai|Juni|Juli|August|September|Oktober|November|Dezember)) (\d{1,4})]]', u'[[\1]] [[\2]]'), - ], - 'exceptions': { - 'inside': [ - r'[[20. Juli 1944]]', - r'[[17. Juni 1953]]', - r'[[11. September 2001]]', - ], - } - }, + # format of dates of birth and death, for de: + # python replace.py -fix:datum -ref:Vorlage:Personendaten + 'datum': { + 'regex': True, + 'msg': { + 'de': u'Bot: Korrigiere Datumsformat', + }, + 'replacements': [ + # space after birth sign w/ year + #(u'(*(\d{3,4})', u'(* \1'), + ## space after death sign w/ year + #(u'†(\d{3,4})', u'† \1'), + #(u'†(\d{3,4})', u'† \1'), + ## space after birth sign w/ linked date + #(u'(*[[(\d)', u'(* [[\1'), + ## space after death sign w/ linked date + #(u'†[[(\d)', u'† [[\1'), + #(u'†[[(\d)', u'† [[\1'), + (u'[[(\d+. (?:Januar|Februar|März|April|Mai|Juni|Juli|August|September|Oktober|November|Dezember)) (\d{1,4})]]', u'[[\1]] [[\2]]'), + ], + 'exceptions': { + 'inside': [ + r'[[20. Juli 1944]]', + r'[[17. Juni 1953]]', + r'[[11. September 2001]]', + ], + } + },
- 'isbn': { - 'regex': True, - 'msg': { - 'de': u'Bot: Korrigiere ISBN-Format', - 'en': u'Robot: Fixing ISBN format', + 'isbn': { + 'regex': True, + 'msg': { + 'de': u'Bot: Korrigiere ISBN-Format', + 'en': u'Robot: Fixing ISBN format', 'he': u'בוט: מתקן פורמט ISBN', - 'es': u'Arreglando formato ISBN', - }, - 'replacements': [ - # colon - (r'ISBN: (\d+)', r'ISBN \1'), - # Spaces, dashes, or dots instead of hyphens as separators, - # or spaces between digits and separators. - # Note that these regular expressions also match valid ISBNs, but - # these won't be changed. - (ur'ISBN (978|979) *[- –.] *(\d+) *[- –.] *(\d+) *[- –.] *(\d+) *[- –.] *(\d)(?!\d)', r'ISBN \1-\2-\3-\4-\5'), # ISBN13 - (ur'ISBN (\d+) *[- –.] *(\d+) *[- –.] *(\d+) *[- –.] *(\d|X|x)(?!\d)', r'ISBN \1-\2-\3-\4'), # ISBN10 - ], - 'exceptions': { - 'inside-tags': [ - 'comment', - ], - 'inside': [ - r'ISBN (\d(-?)){12}\d', # matches valid ISBN-13s - r'ISBN (\d(-?)){9}[\dXx]', # matches valid ISBN-10s - ], - } - }, + 'es': u'Arreglando formato ISBN', + }, + 'replacements': [ + # colon + (r'ISBN: (\d+)', r'ISBN \1'), + # Spaces, dashes, or dots instead of hyphens as separators, + # or spaces between digits and separators. + # Note that these regular expressions also match valid ISBNs, but + # these won't be changed. + (ur'ISBN (978|979) *[- –.] *(\d+) *[- –.] *(\d+) *[- –.] *(\d+) *[- –.] *(\d)(?!\d)', r'ISBN \1-\2-\3-\4-\5'), # ISBN13 + (ur'ISBN (\d+) *[- –.] *(\d+) *[- –.] *(\d+) *[- –.] *(\d|X|x)(?!\d)', r'ISBN \1-\2-\3-\4'), # ISBN10 + ], + 'exceptions': { + 'inside-tags': [ + 'comment', + ], + 'inside': [ + r'ISBN (\d(-?)){12}\d', # matches valid ISBN-13s + r'ISBN (\d(-?)){9}[\dXx]', # matches valid ISBN-10s + ], + } + },
- #Corrections for Arabic Wikipedia - #And any Arabic wiki. - #python replace.py -always -start:! -fix:correct-ar - 'correct-ar': { - 'regex': False, - 'msg': { - 'ar':u'تدقيق إملائي. 88 كلمة مستهدفة حاليًا.', - }, - 'replacements': [ - (u' ,', u' ،'), - (u' إمرأة ', u' امرأة '), - (u' الى ', u' إلى '), - (u' إسم ', u' اسم '), - (u' الأن ', u' الآن '), - (u' اول ', u' أول '), - (u' الة ', u' آلة '), - (u' فى ', u' في '), - (u' اثقل ', u' أثقل '), - (u' إبن ', u' ابن '), - (u' إبنة ', u' ابنة '), - (u' إقتصاد ', u' اقتصاد '), - (u' إجتماع ', u' اجتماع '), - (u' انجيل ', u' إنجيل '), - (u' اجماع ', u' إجماع '), - (u' امريكا ', u' أمريكا '), - (u' اوروبا ', u' أوروبا '), - (u' انجلترا ', u' إنجلترا '), - (u' اكتوبر ', u' أكتوبر '), - (u' اسرائيل ', u' إسرائيل '), - (u' المانيا ', u' ألمانيا '), - (u' ايطاليا ', u' إيطاليا '), - (u' ايران ', u' إيران '), - (u' إستخراج ', u' استخراج '), - (u' إستعمال ', u' استعمال '), - (u' إستبدال ', u' استبدال '), - (u' إشتراك ', u' اشتراك '), - (u' إستعادة ', u' استعادة '), - (u' إستقلال ', u' استقلال '), - (u' إنتقال ', u' انتقال '), - (u' إتحاد ', u' اتحاد '), - (u' املاء ', u' إملاء '), - (u' إستخدام ', u' استخدام '), - (u' أحدى ', u' إحدى '), - (u' لاكن ', u' لكن '), - (u' الاردن ', u' الأردن '), - (u' إثنان ', u' اثنان '), - (u' شيئ ', u' شيء '), - (u' إحتياط ', u' احتياط '), - (u' إقتباس ', u' اقتباس '), - (u' الامارات ', u' الإمارات '), - (u' اكثر ', u' أكثر '), - (u' افضل ', u' أفضل '), - (u' اكبر ', u' أكبر '), - (u' اشهر ', u' أشهر '), - (u' ادارة ', u' إدارة '), - (u' ابناء ', u' أبناء '), - (u' الانصار ', u' الأنصار '), - (u' اشارة ', u' إشارة '), - (u' إقرأ ', u' اقرأ '), - (u' إمتياز ', u' امتياز '), - (u' ارق ', u' أرق '), - (u' أرثوذوكس ', u' أرثوذكس '), - (u' الأرثوذوكس ', u' الأرثوذكس '), - (u' أرثوذوكسية ', u' أرثوذكسية '), - (u' الأرثوذوكسية ', u' الأرثوذكسية '), - (u' الأرثوذوكسي ', u' الأرثوذكسي '), - (u' ارثوذوكس ', u' أرثوذكس '), - (u' ارثوذوكسي ', u' أرثوذكسي '), - (u' ارثوذوكسية ', u' أرثوذكسية '), - (u' الارثوذوكسية ', u' الأرثوذكسية '), - (u' اللة ', u' الله '), - (u' إختبار ', u' اختبار '), - (u'== روابط خارجية ==', u'== وصلات خارجية =='), - (u'==روابط خارجية==', u'== وصلات خارجية =='), - (u' ارسال ', u' إرسال '), - (u' إتصالات ', u' اتصالات '), - (u' اسامة ', u' أسامة '), - (u' ابراهيم ', u' إبراهيم '), - (u' اسماعيل ', u' إسماعيل '), - (u' ايوب ', u' أيوب '), - (u' ايمن ', u' أيمن '), - (u' ابو ', u' أبو '), - (u' ابا ', u' أبا '), - (u' اخو ', u' أخو '), - (u' اخا ', u' أخا '), - (u' اخي ', u' أخي '), - (u' احد ', u' أحد '), - (u' اربعاء ', u' أربعاء '), - (u' اهم ', u' أهم '), - (u' اوزبكستان ', u' أوزبكستان '), - (u' اذربيجان ', u' أذربيجان '), - (u' افغانستان ', u' أفغانستان '), - (u' امجد ', u' أمجد '), - (u' اوسط ', u' أوسط '), - (u' اشقر ', u' أشقر '), - (u' انور ', u' أنور '), - (u' اصعب ', u' أصعب '), - (u' اسهل ', u' أسهل '), - ] - }, + #Corrections for Arabic Wikipedia + #And any Arabic wiki. + #python replace.py -always -start:! -fix:correct-ar + 'correct-ar': { + 'regex': False, + 'msg': { + 'ar':u'تدقيق إملائي. 88 كلمة مستهدفة حاليًا.', + }, + 'replacements': [ + (u' ,', u' ،'), + (u' إمرأة ', u' امرأة '), + (u' الى ', u' إلى '), + (u' إسم ', u' اسم '), + (u' الأن ', u' الآن '), + (u' اول ', u' أول '), + (u' الة ', u' آلة '), + (u' فى ', u' في '), + (u' اثقل ', u' أثقل '), + (u' إبن ', u' ابن '), + (u' إبنة ', u' ابنة '), + (u' إقتصاد ', u' اقتصاد '), + (u' إجتماع ', u' اجتماع '), + (u' انجيل ', u' إنجيل '), + (u' اجماع ', u' إجماع '), + (u' امريكا ', u' أمريكا '), + (u' اوروبا ', u' أوروبا '), + (u' انجلترا ', u' إنجلترا '), + (u' اكتوبر ', u' أكتوبر '), + (u' اسرائيل ', u' إسرائيل '), + (u' المانيا ', u' ألمانيا '), + (u' ايطاليا ', u' إيطاليا '), + (u' ايران ', u' إيران '), + (u' إستخراج ', u' استخراج '), + (u' إستعمال ', u' استعمال '), + (u' إستبدال ', u' استبدال '), + (u' إشتراك ', u' اشتراك '), + (u' إستعادة ', u' استعادة '), + (u' إستقلال ', u' استقلال '), + (u' إنتقال ', u' انتقال '), + (u' إتحاد ', u' اتحاد '), + (u' املاء ', u' إملاء '), + (u' إستخدام ', u' استخدام '), + (u' أحدى ', u' إحدى '), + (u' لاكن ', u' لكن '), + (u' الاردن ', u' الأردن '), + (u' إثنان ', u' اثنان '), + (u' شيئ ', u' شيء '), + (u' إحتياط ', u' احتياط '), + (u' إقتباس ', u' اقتباس '), + (u' الامارات ', u' الإمارات '), + (u' اكثر ', u' أكثر '), + (u' افضل ', u' أفضل '), + (u' اكبر ', u' أكبر '), + (u' اشهر ', u' أشهر '), + (u' ادارة ', u' إدارة '), + (u' ابناء ', u' أبناء '), + (u' الانصار ', u' الأنصار '), + (u' اشارة ', u' إشارة '), + (u' إقرأ ', u' اقرأ '), + (u' إمتياز ', u' امتياز '), + (u' ارق ', u' أرق '), + (u' أرثوذوكس ', u' أرثوذكس '), + (u' الأرثوذوكس ', u' الأرثوذكس '), + (u' أرثوذوكسية ', u' أرثوذكسية '), + (u' الأرثوذوكسية ', u' الأرثوذكسية '), + (u' الأرثوذوكسي ', u' الأرثوذكسي '), + (u' ارثوذوكس ', u' أرثوذكس '), + (u' ارثوذوكسي ', u' أرثوذكسي '), + (u' ارثوذوكسية ', u' أرثوذكسية '), + (u' الارثوذوكسية ', u' الأرثوذكسية '), + (u' اللة ', u' الله '), + (u' إختبار ', u' اختبار '), + (u'== روابط خارجية ==', u'== وصلات خارجية =='), + (u'==روابط خارجية==', u'== وصلات خارجية =='), + (u' ارسال ', u' إرسال '), + (u' إتصالات ', u' اتصالات '), + (u' اسامة ', u' أسامة '), + (u' ابراهيم ', u' إبراهيم '), + (u' اسماعيل ', u' إسماعيل '), + (u' ايوب ', u' أيوب '), + (u' ايمن ', u' أيمن '), + (u' ابو ', u' أبو '), + (u' ابا ', u' أبا '), + (u' اخو ', u' أخو '), + (u' اخا ', u' أخا '), + (u' اخي ', u' أخي '), + (u' احد ', u' أحد '), + (u' اربعاء ', u' أربعاء '), + (u' اهم ', u' أهم '), + (u' اوزبكستان ', u' أوزبكستان '), + (u' اذربيجان ', u' أذربيجان '), + (u' افغانستان ', u' أفغانستان '), + (u' امجد ', u' أمجد '), + (u' اوسط ', u' أوسط '), + (u' اشقر ', u' أشقر '), + (u' انور ', u' أنور '), + (u' اصعب ', u' أصعب '), + (u' اسهل ', u' أسهل '), + ] + }, }
pywikipedia-l@lists.wikimedia.org